Probabilités et Statistiques 2

Transcription

1 Probabilités et Statistiques 2 M. BOUTAHAR

2 1.Loi de probabilité discrète 1. Variables aléatoires Définitions Soit Ω un espace (ou ensemble), soit F une famille de sous-ensembles de Ω. Definition On dit que F est une algèbre sur Ω si les conditions suivantes sont satisfaites: i. et Ω sont dans F, ii. si A est dans F, alors A c est dans F, où A c est le complémentaire de A dans Ω. iii. si A et B sont dans F, alors A B est dans F.

3 1.Loi de probabilité discrète Exemple. Ω = {1, 2, 3}, F = P(Ω) = {, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}} est une algèbre. Definition On dit que F est une tribu (ou σ-algèbre) sur Ω si les conditions de la définition précédente sont satisfaites avec iii) remplacée par: iii. si (A n, n 1) est dans F, alors n=1 A n est dans F.

4 1.Loi de probabilité discrète Exemple. Ω = {1, 2, 3}, F = P(Ω) = {, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}} est une algèbre. Definition On dit que F est une tribu (ou σ-algèbre) sur Ω si les conditions de la définition précédente sont satisfaites avec iii) remplacée par: iii. si (A n, n 1) est dans F, alors n=1 A n est dans F.

5 1.Loi de probabilité discrète Espace de probabilité Definition On appelle loi de probabilité sur (Ω, F), toute application P : Ω [0, 1], qui vérifie: i. P(Ω) = 1, ii. (A n, n 1) F telle que A k Al = si k l, P( A n ) = n=1 P(A n ). n=1

6 1.Loi de probabilité discrète Espace de probabilité Definition On appelle loi de probabilité sur (Ω, F), toute application P : Ω [0, 1], qui vérifie: i. P(Ω) = 1, ii. (A n, n 1) F telle que A k Al = si k l, P( A n ) = n=1 P(A n ). n=1

7 1.Loi de probabilité discrète Espace de probabilité Definition On appelle loi de probabilité sur (Ω, F), toute application P : Ω [0, 1], qui vérifie: i. P(Ω) = 1, ii. (A n, n 1) F telle que A k Al = si k l, P( A n ) = n=1 P(A n ). n=1

8 1.Loi de probabilité discrète Definition (Ω, F, P) est appelé espace de probabilité si: Ω est un espace, F est une tribu, P est une loi de probabilité Variable aléatoire Definition Une variable aléatoire réelle X est une application de (Ω, F) (R, B) mesurable : c est à dire pour tout ouvert C R, on a X 1 (C) = {ω, X (ω) C} F.(B est la tribu borélienne contenant les ouverts de R).

9 1.Loi de probabilité discrète Definition (Ω, F, P) est appelé espace de probabilité si: Ω est un espace, F est une tribu, P est une loi de probabilité Variable aléatoire Definition Une variable aléatoire réelle X est une application de (Ω, F) (R, B) mesurable : c est à dire pour tout ouvert C R, on a X 1 (C) = {ω, X (ω) C} F.(B est la tribu borélienne contenant les ouverts de R).

10 1.Loi de probabilité discrète Definition (Ω, F, P) est appelé espace de probabilité si: Ω est un espace, F est une tribu, P est une loi de probabilité Variable aléatoire Definition Une variable aléatoire réelle X est une application de (Ω, F) (R, B) mesurable : c est à dire pour tout ouvert C R, on a X 1 (C) = {ω, X (ω) C} F.(B est la tribu borélienne contenant les ouverts de R).

11 1.Loi de probabilité discrète Definition (Ω, F, P) est appelé espace de probabilité si: Ω est un espace, F est une tribu, P est une loi de probabilité Variable aléatoire Definition Une variable aléatoire réelle X est une application de (Ω, F) (R, B) mesurable : c est à dire pour tout ouvert C R, on a X 1 (C) = {ω, X (ω) C} F.(B est la tribu borélienne contenant les ouverts de R).

12 1.Loi de probabilité discrète Definition (Ω, F, P) est appelé espace de probabilité si: Ω est un espace, F est une tribu, P est une loi de probabilité Variable aléatoire Definition Une variable aléatoire réelle X est une application de (Ω, F) (R, B) mesurable : c est à dire pour tout ouvert C R, on a X 1 (C) = {ω, X (ω) C} F.(B est la tribu borélienne contenant les ouverts de R).

13 1.Loi de probabilité discrète Definition Soit X une variable aléatoire à valeurs dans E R, si E est dénombrable, alors on dit que X est une variable aléatoire discrète. Soit X une variable discrète à valeur dans E = {x 1, x 2,...}. Posons p k = P(ω, X (ω) = x k ) = P(X = x k ). On a P(Ω) = P(ω, X (ω) = x k ) = = k=1 P(X = x k ) k=1 p k = 1 k=1

14 1.Loi de probabilité discrète 2. Espérance mathématique Soit g une application de E = {x 1, x 2,...}. dans R. Definition On définit l espérance mathématique de g(x ) par: E(g(X )) = g(x k )p k k=1 En particulier: -Pour g(x) = x, on définit l espérance mathématique de X par:

15 1.Loi de probabilité discrète 2. Espérance mathématique Soit g une application de E = {x 1, x 2,...}. dans R. Definition On définit l espérance mathématique de g(x ) par: E(g(X )) = g(x k )p k k=1 En particulier: -Pour g(x) = x, on définit l espérance mathématique de X par:

16 1.Loi de probabilité discrète E(X ) = = x k P(X = x k ) k=1 x k p k k=1 -Pour g(x) = x 2, on définit l espérance mathématique de X 2 par: E(X 2 ) = xk 2 p k. k=1

17 1.Loi de probabilité discrète E(X ) = = x k P(X = x k ) k=1 x k p k k=1 -Pour g(x) = x 2, on définit l espérance mathématique de X 2 par: E(X 2 ) = xk 2 p k. k=1

18 1.Loi de probabilité discrète On définit alors: -La variance de X par var(x ) = E(X 2 ) (E(X )) 2 ( ) 2 = xk 2 p k x k p k. k=1 k=1 -L écart-type de X par σ(x ) = var(x ).

19 1.Loi de probabilité discrète Si E est fini E = {x 1, x 2,..., x r }. Alors E(g(X )) = r g(x k )p k k=1 E(X ) = r x k p k k=1 var(x ) = ( r r ) 2 xk 2 p k x k p k. k=1 k=1

20 1.Loi de probabilité discrète Propriétés de l espérance et la variance Soit X et Y deux variables aléatoires discrètes à valeurs dans E. Posons p k = P(X = x k ), q k = P(Y = y k ). Soient a,b et c des constantes réelles. Soit cov(x, Y ) = E(XY ) E(X )E(Y ) la covariance entre X et Y.

21 1.Loi de probabilité discrète Theorem E(c) = c, (1) E(aX + by ) = ae(x ) + be(y ), (linéairité) (2) var(ax ) = a 2 var(x ), (3) var(ax + by ) = a 2 var(x ) + 2abcov(X, Y ) + b 2 var(y ). (4)

22 1.Loi de probabilité discrète 3. Inégalités classiques 3.1. Inégalité de Markov Theorem Soit X une variable aléatoire à valeurs dans un espace dénombrable E avec E R, alors pour tout a > 0, P( f (X ) a) E( f (X ) ). (5) a

23 1.Loi de probabilité discrète Preuve: On a E( f (X ) ) = f (x k ) p k x k E = f (x k ) p k + f (x k ) p k, x k A x k A c où A = {x k E, f (x k ) a}, et A c est le complémentaire de A dans E. Donc E( f (X ) ) f (x k ) p k x k A x k A ap k, de plus x k A p k = P(X A) = P( f (X ) a).

24 1.Loi de probabilité discrète 3.2. Inégalité de Bienaymé-Tchebyshev Theorem Soit X une variable aléatoire à valeurs dans E, alors pour tout ε > 0 P( X E(X ) ε) σ2 X ε 2. (6) Preuve : On applique l inégalité de Markov (5) avec f (t) = t E(X ) 2, a = ε 2.

25 1.Loi de probabilité discrète 4. Indépendance 4.1.Variables indépendantes Definition Soit X et Y deux variables aléatoires. On dit que X et Y sont indépendantes si P ({X A} {Y B}) = P(X A)P(Y B). (7) 4.2 Distributions marginales Soit E 1 E 2 et le couple aléatoire X = (X 1, X 2 ), où chaque X i est à valeurs dans E i. La distribution marginale de la variable X i est définie par P i (A) = P(X i A), A F.

26 1.Loi de probabilité discrète 4. Indépendance 4.1.Variables indépendantes Definition Soit X et Y deux variables aléatoires. On dit que X et Y sont indépendantes si P ({X A} {Y B}) = P(X A)P(Y B). (7) 4.2 Distributions marginales Soit E 1 E 2 et le couple aléatoire X = (X 1, X 2 ), où chaque X i est à valeurs dans E i. La distribution marginale de la variable X i est définie par P i (A) = P(X i A), A F.

27 1.Loi de probabilité discrète Theorem Soit X et Y deux variables aléatoires discrètes à valeurs dans E 1 et E 2, et indépendantes, soit f : E 1 R, et g : E 2 R, alors E(f (X )g(y )) = E(f (X ))E(g(Y )) (8)

28 1.Loi de probabilité discrète Preuve : Posons Z = (X, Y ) et h(z) = f (X )g(y ), alors Z est à valeurs dans E = E 1 E 2, de plus d après l hypothèse d indépendance P((X, Y ) = (x, y)) = P(X = x)p(y = y). Donc E(h(Z)) = h(z k )P(Z = z k ) z k E = x k,y l f (x k )g(y l )P(X = x k )P(Y = y l ) = x k f (x k )P(X = x k ) y l g(y l )P(Y = y l ).

29 1.Loi de probabilité discrète Theorem Soit X 1 et X 2 deux variables aléatoires indépendantes, alors var(x 1 + X 2 ) = var(x 1 ) + var(x 2 ). (9) Preuve : var(x 1 + X 2 ) = var(x 1 ) + var(x 2 ) + 2 cov(x 1, X 2 ), où cov(x 1, X 2 ) = E(X 1 X 2 ) EX 1 EX 2 est la covariance de X 1 et X 2, mais d après (8) on a E(X 1 X 2 ) = EX 1 EX 2. Remarque: Si deux variables aléatoires X et Y sont indépendantes alors elles sont non covariées (cov(x, Y ) = 0).

30 1.Loi de probabilité discrète Theorem Soit X 1 et X 2 deux variables aléatoires indépendantes, alors var(x 1 + X 2 ) = var(x 1 ) + var(x 2 ). (9) Preuve : var(x 1 + X 2 ) = var(x 1 ) + var(x 2 ) + 2 cov(x 1, X 2 ), où cov(x 1, X 2 ) = E(X 1 X 2 ) EX 1 EX 2 est la covariance de X 1 et X 2, mais d après (8) on a E(X 1 X 2 ) = EX 1 EX 2. Remarque: Si deux variables aléatoires X et Y sont indépendantes alors elles sont non covariées (cov(x, Y ) = 0).

31 1.Loi de probabilité discrète 5.Lois usuelles 5.1. Loi de Bernoulli Definition On dit que X suit une loi de Bernoulli de paramètre p, noté X B(p), si E = {x 1, x 2 } avec P(X (ω) = x 1 ) = p, et P(X (ω) = x 2 ) = 1 p. Exemple : On lance une pièce de monnaie, X est le résultat obtenu, P(X = pile) = P(X = face) = 1/2.

32 1.Loi de probabilité discrète 5.Lois usuelles 5.1. Loi de Bernoulli Definition On dit que X suit une loi de Bernoulli de paramètre p, noté X B(p), si E = {x 1, x 2 } avec P(X (ω) = x 1 ) = p, et P(X (ω) = x 2 ) = 1 p. Exemple : On lance une pièce de monnaie, X est le résultat obtenu, P(X = pile) = P(X = face) = 1/2.

33 1.Loi de probabilité discrète 5.2. Loi Binomiale Definition Soit Y i, 1 i n, une suite de variables aléatoires de Bernoulli indépendantes à valeurs dans {0, 1} avec P(Y k (ω) = 1) = p, alors la variable X = n k=1 Y k suit une loi Binomiale, noté X B(n, p), dans ce cas E = {0, 1,..., n} et P(X (ω) = k) = C k n p k (1 p) n k, 0 k n, C k n = n! k!(n k)!.

34 1.Loi de probabilité discrète 5.3. Loi de Poisson Definition On dit que X suit une loi de Poisson de paramètre λ, noté λ λk X P(λ), si E = N et P(X (ω) = k) = e, λ est un réel k! positif. Exemple: N(t) représente le nombre de clients qui arrivent dans une agence (ou le nombre de voitures qui arrivent sur un péage d autoroute) pendant la période d observation [0, t], alors on montre que P(N(t) = k) = e avec λ l intensité d arrivage. λt (λt)k, k!

35 1.Loi de probabilité discrète 5.3. Loi de Poisson Definition On dit que X suit une loi de Poisson de paramètre λ, noté λ λk X P(λ), si E = N et P(X (ω) = k) = e, λ est un réel k! positif. Exemple: N(t) représente le nombre de clients qui arrivent dans une agence (ou le nombre de voitures qui arrivent sur un péage d autoroute) pendant la période d observation [0, t], alors on montre que P(N(t) = k) = e avec λ l intensité d arrivage. λt (λt)k, k!

36 2.Loi de probabilité continue Soit X une variable à valeurs dans E R, si E est non dénombrable, alors on dit que X est une variable continue. 1. Densité de probabilité, moments Soit X une variable aléatoire à valeurs dans R, et soit f X une fonction de R dans R + intégrable et telle que f X (x)dx = 1. (10) R Definition On dit que X admet la densité de probabilité f X si pour tout A R P(X A) = f X (x)dx. A

37 2.Loi de probabilité continue Soit X une variable à valeurs dans E R, si E est non dénombrable, alors on dit que X est une variable continue. 1. Densité de probabilité, moments Soit X une variable aléatoire à valeurs dans R, et soit f X une fonction de R dans R + intégrable et telle que f X (x)dx = 1. (10) R Definition On dit que X admet la densité de probabilité f X si pour tout A R P(X A) = f X (x)dx. A

38 2.Loi de probabilité continue Definition Soit g : R R, telle que g(x) f R X (x)dx <, alors on définit l espérance mathématique de g(x ) par E(g(X )) = g(x)f X (x)dx. (11) En particulier: -Pour g(x) = x, on définit l espérance mathématique de X par E(X ) = xf X (x)dx. R R

39 2.Loi de probabilité continue Definition Soit g : R R, telle que g(x) f R X (x)dx <, alors on définit l espérance mathématique de g(x ) par E(g(X )) = g(x)f X (x)dx. (11) En particulier: -Pour g(x) = x, on définit l espérance mathématique de X par E(X ) = xf X (x)dx. R R

40 2.Loi de probabilité continue -Pour g(x) = x 2, on définit l espérance mathématique de X 2 par: E(X 2 ) = On définit alors la variance de X par R x 2 f X (x)dx. var(x ) = E(X 2 ) (E(X )) 2 ( = x 2 f X (x)dx xf X (x)dx R R et l écart-type de X par σ(x ) = var(x ). ) 2

41 2.Loi de probabilité continue Couple aléatoire Soit X = (X 1, X 2 ) un couple aléatoire à valeurs dans R 2, et soit f X une fonction de R 2 dans R + intégrable et telle que R 2 f X (x)dx = 1. (12) Definition On dit que X admet la densité de probabilité f X si pour tout A R 2 P(X A) = f X (x)dx. A

42 2.Loi de probabilité continue Couple aléatoire Soit X = (X 1, X 2 ) un couple aléatoire à valeurs dans R 2, et soit f X une fonction de R 2 dans R + intégrable et telle que R 2 f X (x)dx = 1. (12) Definition On dit que X admet la densité de probabilité f X si pour tout A R 2 P(X A) = f X (x)dx. A

43 2.Loi de probabilité continue Soit g : R 2 R, telle que R 2 g(x) f X (x)dx <, alors on définit l espérance mathématique de g(x ) par E(g(X )) = g(x)f X (x)dx, (13) R 2 en particulier: Si g(x 1, x 2 ) = g i (x) = x i, 1 i 2, alors on définit l espérance mathématique du couple X par E(X 1 ) x R E(X ) = = 2 1 f X (x)dx. E(X 2 ) x R 2 2 f X (x)dx Si g(x 1, x 2 ) = x 1 x 2, on définit E(X 1 X 2 ) = x 1 x 2 f X (x)dx. R 2

44 2.Loi de probabilité continue 2.Indépendance 2.1. Distributions marginales Definition Soit X et Y deux variables aléatoires à valeurs dans R tels que (X, Y ) admette la densité f X,Y (x, y). Alors on définit les densités marginales de X et de Y par f X (x) = f X,Y (x, y)dy et f Y (y) = R R f X,Y (x, y)dx.

45 2.Loi de probabilité continue 2.2.Variables indépendantes Definition Soit X et Y deux variables aléatoires à valeurs dans R. On dit que X et Y sont indépendantes si P(X A, Y B) = P(X A)P(Y B). (14)

46 2.Loi de probabilité continue En utilisant les mêmes arguments que le théorème 12 on obtient le théorème Theorem Soit X et Y deux variables aléatoires à valeurs dans R indépendantes, soit f : R R, et g : R REndExpansion, alors E(f (X )g(y )) = E(f (X ))E(g(Y )) (15)

47 2.Loi de probabilité continue Theorem (admi) Soit X = (X 1, X 2 ) de densité f X (x), et tel que les X i, 1 i 2, soient des variables aléatoires indépendantes. On a alors f X (x 1, x 2 ) = f X1 (x 1 )f X2 (x 2 ), (16) où f Xi est la densité marginale de la variable X i. Réciproquement, si f X a la forme (16) où les f Xi, 1 i 2 sont des densités de probabilité, alors les X i, 1 i 2, sont indépendantes et les f Xi sont les densités des X i.

48 2.Loi de probabilité continue 3. Fonction de répartition Cas d une variable aléatoire Definition Soit X une variable aléatoire de densité f (x), la fonction de répartition de X est définie par : F : R [0, 1] et F (t) = P(X t) = t f (x)dx. Remarque : F est une fonction non décroissante telle que F ( ) = 0, F (+ ) = 1 et F (t) = f (t).

49 2.Loi de probabilité continue Cas d un couple aléatoire Soit X = (X 1, X 2 ) un couple aléatoire de densité f (x), la fonction de répartition de X est définie par : F : R 2 [0, 1] et si t = (t 1, t 2 ) alors F (t) = P(X 1 t 1, X 2 t 2 ) = t1 t2 f (x 1, x 2 )dx 1 dx 2. On a aussi f (t 1, t 2 ) = 2 F (t 1, t 2 ) t 1 t 2.

50 2.Loi de probabilité continue 4. Lois usuelles 4.1 Loi uniforme Definition On dit que X suit une loi uniforme sur [a, b], noté X U[a, b], si elle admet la densité f (x) = 1 b a 1 [a,b](x) = 1 si x [a, b] b a 0 sinon. (17) On montre que E(X ) = (a + b)/2, V (X ) = (b a) 2 /12.

51 2.Loi de probabilité continue Figure: Densité de la loi uniforme U[0,1]

52 2.Loi de probabilité continue 4.2. Loi de Gauss Definition On dit que X suit une loi de Gauss de moyenne m et de variance σ 2, noté X N(m, σ 2 ), si elle admet la densité f (x) = 1 σ (x m) 2 2π e 2σ 2, x R. (18) On montre que E(X ) = m, V (X ) = σ 2.

53 2.Loi de probabilité continue Figure: Densité de la loi Gauss N(0,1)

54 2.Loi de probabilité continue Figure: Densités Gaussiennes, rouge:n(0, 1), vert: N(0, 1 2 ).

55 2.Loi de probabilité continue 4.3. Loi exponentielle Definition On dit que X suit une loi exponentielle de paramètre λ > 0, noté X E(λ), si elle admet la densité λe λx si x 0 f (x) = (19) 0 sinon. On montre que E(X ) = 1 λ, V (X ) = 1 λ 2.

56 2.Loi de probabilité continue Figure: Densité de la loi exponentielle E(1)

57 2.Loi de probabilité continue 4.4. Loi gamma Definition On dit que X suit une loi gamma de paramètres α > 0 et β > 0, noté X Γ(α, β), si elle admet la densité f (x) = β α Γ(α) x α 1 e βx si x 0 0 sinon, où Γ(α) = 0 t α 1 e t dt. On montre que E(X ) = α β, V (X ) = α β 2. (20)

58 2.Loi de probabilité continue 5. Transformation desvariables aléatoires 5.1 Cas discret Exemple : Soit X la variable aléatoire définie par x i P(X (ω) = x i On définit la variable aléatoire Y = X (X + 1), alors Y prends ses valeurs dans {0, 2, 6} avec la loi de probabilité suivante: y i P(Y (ω) = y i )

59 2.Loi de probabilité continue Theorem Si X est une variable aléatoire discrète à valeurs dans E, et g une application, alors Y = g(x ) est une variable aléatoire discrète à valeurs dans g(e) telle que: Si g est injective alors Y a la même loi de probabilité que X : P(Y (ω) = y i ) = P(X (ω) = x i ), y i = g(x i ). Si g est non injective alors Y a loi de probabilité suivante: P(Y (ω) = y i ) = P(X (ω) = x i ). x i tels que y i =g(x i )

60 2.Loi de probabilité continue 5.2. Cas continu Soit Y = X 2, où X N(0, 1) donc Y est à valeurs dans R + donc f Y (y) = 0 y 0. Si y 0, on a F Y (y) = P(Y y) = P( y X y) = 1 y 2 2 2π = 2 y 2 2 2π donc y e x 0 e x f Y (y) = F Y (y) = 1 2πy e y2 2, c est à dire que Y X 2 (1). Si la transformation g n est pas bijective, on utilise souvent la fonction de répartition pour calculer la loi de Y = g(x ). Cependant si g est bijective on a le théorème

61 2.Loi de probabilité continue Theorem Soit X une variable aléatoire de densité f X, et soit g une application de R dans R. On définit la transformée de X par g: Y = g(x ). On suppose que g est continûment dérivable sur R, et que sa dérivée g ne s annule pas. Alors Y admet une densité f Y donnée par f Y (y) = f X (x) g (x), x = g 1 (y). (21)

62 2.Loi de probabilité continue Exemple Y = g(x ) = ax + b, a 0. On a y = g(x) = ax + b donc x = y b a = g 1 (y), donc f Y (y) = f X (x) g (x) = f X ( y b a 6. Suite de variables aléatoires 6.1. Loi de Khi-deux a ) Definition On dit que X suit une loi Khi-deux à n degrés de liberté, noté X X 2 (n), si X Γ( n, 1). 2 2 X = n k=1 Z k 2 où (Z k, 1 k n) est une suite de variables aléatoires indépendantes et identiquement distribuées (i.i.d.) suivant une loi gaussienne N(0, 1)..

63 2.Loi de probabilité continue 6.2. Loi de Student Definition On dit que X suit une loi Student à n degrés de liberté, noté X t(n), si X = Z, Z N(0, 1), Y X 2 (n), et Z et Y /n Y sont indépendantes Loi de Fisher Definition On dit que X suit une loi Fisher à (n 1, n 2 ) degrés de liberté, noté X F (n 1, n 2 ), si X = Y 1/n 1 Y 2 /n 2, Y i X 2 (n i ), i = 1, 2 et Y 1 et Y 2 sont indépendantes.

64 2.Loi de probabilité continue 6.2. Loi de Student Definition On dit que X suit une loi Student à n degrés de liberté, noté X t(n), si X = Z, Z N(0, 1), Y X 2 (n), et Z et Y /n Y sont indépendantes Loi de Fisher Definition On dit que X suit une loi Fisher à (n 1, n 2 ) degrés de liberté, noté X F (n 1, n 2 ), si X = Y 1/n 1 Y 2 /n 2, Y i X 2 (n i ), i = 1, 2 et Y 1 et Y 2 sont indépendantes.

65 4.Description d une série statistique 4.1 Généralités, Définitions La statistique: C est l étude des phénomènes préalablement exprimés sous forme numérique. L unité statistique (ou individu) :C est l élément de l ensemble que l on veut étudier, exemple: un étudiant est une unité statistique lorsque l on étudie une classe. Le caractère: C est l aspect de l unité statistique que l on retient dans l analyse.

66 4.Description d une série statistique 4.1 Généralités, Définitions La statistique: C est l étude des phénomènes préalablement exprimés sous forme numérique. L unité statistique (ou individu) :C est l élément de l ensemble que l on veut étudier, exemple: un étudiant est une unité statistique lorsque l on étudie une classe. Le caractère: C est l aspect de l unité statistique que l on retient dans l analyse.

67 4.Description d une série statistique 4.1 Généralités, Définitions La statistique: C est l étude des phénomènes préalablement exprimés sous forme numérique. L unité statistique (ou individu) :C est l élément de l ensemble que l on veut étudier, exemple: un étudiant est une unité statistique lorsque l on étudie une classe. Le caractère: C est l aspect de l unité statistique que l on retient dans l analyse.

68 4.Description d une série statistique L échantillon: C est un sous-ensemble d une population statistique. La variable statistique: C est l expression numérique du caractère observé sur les unités statistiques considérées, exemple, taille, poids, note en proba-stat... de l étudiant.

69 4.Description d une série statistique L échantillon: C est un sous-ensemble d une population statistique. La variable statistique: C est l expression numérique du caractère observé sur les unités statistiques considérées, exemple, taille, poids, note en proba-stat... de l étudiant.

70 4.Description d une série statistique La variable statistique x est dite discrète lorsqu elle ne peut prendre que des valeurs isolées : x 1, x 2,..., x k, où x 1 < x 2 <... < x k. Exemple : le nombre de chevaux fiscaux d une voiture; le nombre d enfants dans une famille,... La variable statistique x est dite continue lorsqu elle peut prendre n importe quelle valeur d un intervalle [a, b]. Exemple : la durée en minute d une conversation téléphonique.

71 4.Description d une série statistique La variable statistique x est dite discrète lorsqu elle ne peut prendre que des valeurs isolées : x 1, x 2,..., x k, où x 1 < x 2 <... < x k. Exemple : le nombre de chevaux fiscaux d une voiture; le nombre d enfants dans une famille,... La variable statistique x est dite continue lorsqu elle peut prendre n importe quelle valeur d un intervalle [a, b]. Exemple : la durée en minute d une conversation téléphonique.

72 4.Description d une série statistique Dans ce cas l intervalle des valeurs possibles est divisé en k classes [a 0, a 1 [, [a 1, a 2 [,..., [a k 1, a k ], avec a 0 = a < a 1 <... < a k 1 < a k = b. a h 1 et a h sont les frontières de la h-ième classe, x h = a h 1+a h 2 est le centre de celle-ci.

73 4.Description d une série statistique La série statistique: C est à la fois : L ensemble des valeurs {x 1, x 2,..., x k } (resp. des classes de valeurs {[a 0, a 1 [, [a 1, a 2 [,..., [a k 1, a k ]}) de la variable x. Le nombre d observation associé à chaque valeur x i (resp. à chaque classe), qu on appelle effectif.

74 4.Description d une série statistique La série statistique: C est à la fois : L ensemble des valeurs {x 1, x 2,..., x k } (resp. des classes de valeurs {[a 0, a 1 [, [a 1, a 2 [,..., [a k 1, a k ]}) de la variable x. Le nombre d observation associé à chaque valeur x i (resp. à chaque classe), qu on appelle effectif.

75 4.Description d une série statistique 2. Distribution des fréquences 2.1 Cas discret Si dans une série statistique résultant de n observations, on a trouvé n i fois la valeur x i, n i représente l effectif de cette valeur et le rapport f i = n i n représente sa fréquence. L expression j i=1 n i est appelée effectif cumulé des valeurs de x inférieures ou égales à x j. L expression j i=1 f i est appelée fréquence cumulée des valeurs de x inférieures ou égales à x j.

76 4.Description d une série statistique 2. Distribution des fréquences 2.1 Cas discret Si dans une série statistique résultant de n observations, on a trouvé n i fois la valeur x i, n i représente l effectif de cette valeur et le rapport f i = n i n représente sa fréquence. L expression j i=1 n i est appelée effectif cumulé des valeurs de x inférieures ou égales à x j. L expression j i=1 f i est appelée fréquence cumulée des valeurs de x inférieures ou égales à x j.

77 4.Description d une série statistique 2. Distribution des fréquences 2.1 Cas discret Si dans une série statistique résultant de n observations, on a trouvé n i fois la valeur x i, n i représente l effectif de cette valeur et le rapport f i = n i n représente sa fréquence. L expression j i=1 n i est appelée effectif cumulé des valeurs de x inférieures ou égales à x j. L expression j i=1 f i est appelée fréquence cumulée des valeurs de x inférieures ou égales à x j.

78 4.Description d une série statistique Exemple : L unité statistique (ou individu) étant la famille de quatre enfants dont l aîné a moins de 16 ans, on s intéresse au nombre x de garçons qui la compose. L étude statistique suivante porte sur un échantillon de 250 familles. Valeurs de x Effectif n i Fréquence f i ,244 0,372 0,260 0,072 Effectif cumulé Fréquence cumulée ,296 0,668 0,928 1

79 4.Description d une série statistique Valeurs de x Effectif n i

80 4.Description d une série statistique ni nicumulees M. BOUTAHAR x Probabilités et Statistiques x 2

81 4.Description d une série statistique 2.2 Cas continu On appelle effectif de la hième classe la nombre n h d observations dont les valeurs appartiennent à cette classe. Le nombre f h = n h n hième classe. représente la fréquence de la L expression h i=1 n i est appelée effectif cumulé des h premières classes. L expression h i=1 f i est appelée fréquence cumulée des h premières classes.

82 4.Description d une série statistique 2.2 Cas continu On appelle effectif de la hième classe la nombre n h d observations dont les valeurs appartiennent à cette classe. Le nombre f h = n h n hième classe. représente la fréquence de la L expression h i=1 n i est appelée effectif cumulé des h premières classes. L expression h i=1 f i est appelée fréquence cumulée des h premières classes.

83 4.Description d une série statistique Exemple : On s intéresse à la durée x de service d un guichet de la poste qui peut servir au plus un client à la fois. On a relevé la durée de service de 1000 clients consécutifs. L unité de temps est la seconde, les résultats sont résumés par le tableau suivant: Classes des [0,30[ [30,60[ [60,90[ [90,120[ [120,150[ [150,180[ [180,240[ valeurs de x Effectifs n h Fréquences f h 0,369 0,251 0, Effectifs cumulés Fréquences cumulées 0,369 0,620 0,768 0,866 0,931 0,974 1

84 4.Description d une série statistique Figure: Effectifs des 7 classes

85 4.Description d une série statistique 2.3 Distribution des fréquences L ensemble des k valeurs x i (resp. des k classes) et les effectifs n i correspondants, constitue la distribution des fréquences de la variable x. Représentation graphique des distributions des fréquences On place en ordonnée les effectifs. Dans le cas discret on obtient un diagramme en bâtons. Dans le cas continu, on construit un histogramme des fréquences, l aire de chaque classe devant être proportionnelle à son effectif correspondant.

86 4.Description d une série statistique 3. Caractéristiques de tendance centrale 3.1.Définition: Ce sont des indicateurs qui permettent de synthétiser l ensemble de la série statistique en faisant ressortir une position centrale de la valeur du caractère étudié. La médiane : C est la valeur x m de la variable x qui partage les éléments de la série statistique, préalablement classés par ordre de valeurs croissantes, en deux groupes d effectifs égaux : 50 % des valeurs observées sont inférieures à x m et 50 % sont supérieures.

87 4.Description d une série statistique Dans le cas continu, elle est donnée par x m = a j 1 + a j a j 1 ( n j n j 2 n i ), sachant que x m appartient à [a j 1, a j [. Le mode : Variable discrète : c est la valeur pour laquelle la fréquence est maximale. Variable continue : la classe modale est celle pour laquelle la fréquence est maximale. Lorsqu il y a une seule valeur ou classe modale, la distribution est dite unimodale. i=1

88 4.Description d une série statistique La moyenne. -La moyenne x de k valeurs distinctes x 1,..., x k, et d effectifs n 1,..., n k : x = 1 n k n i x i, n = i=1 k n i. i=1 -La moyenne x de n valeurs distribuées en k classes [a 0, a 1 [,..., [a k 1, a k [ et d effectifs n 1,..., n k : x = 1 n k i=1 n i x i, x i = a i 1 + a i. 2

89 4.Description d une série statistique La moyenne. -La moyenne x de k valeurs distinctes x 1,..., x k, et d effectifs n 1,..., n k : x = 1 n k n i x i, n = i=1 k n i. i=1 -La moyenne x de n valeurs distribuées en k classes [a 0, a 1 [,..., [a k 1, a k [ et d effectifs n 1,..., n k : x = 1 n k i=1 n i x i, x i = a i 1 + a i. 2

90 4.Description d une série statistique 4.Caractéristiques de dispersion Deux séries de même nature peuvent présenter des caractéristiques de tendance centrale voisines, mais être différentes quant à la dispersion de leurs valeurs par rapport à la tendance centrale La dispersion en termes d intervalles Intervalle de variation ou étendue : C est la différence entre les valeurs extrêmes de la variable ou entre les centres des classes extrêmes x k x 1.

91 4.Description d une série statistique L intervalle interquartile : Si l on peut diviser x 1,..., x k en quatre classes [x 1, Q 1 [, [Q 1, Q 2 [, [Q 2, Q 3 [, [Q 3, x k ] ayant toutes la même fréquence n 4, alors Q 1, Q 2, et Q 3 sont appelés respectivement premier, deuxième et troisième quartiles. Dans le cas continu Q 1 = a j 1 + a j a j 1 ( n j n j 4 n i ), i=1 Q 3 = a j 1 + a j a j 1 ( 3n j n j 4 n i ). [Q 1, Q 3 ] est l intervalle interquartile. i=1

92 4.Description d une série statistique 4.2. La dispersion en termes d écarts Les écarts ne traduiront la dispersion que si l on considère leurs valeurs absolues ou leurs puissances paires. Les écarts absolus : -L écart absolu par rapport à la médiane e M = 1 k n i=1 n i x i M, M est la médiane de la série. -L écart absolu par rapport à la moyenne arithmétique e x = 1 k n i=1 n i x i x. Variance, écart-type: -Variance: V (x) = σ x 2 = 1 k n i=1 n i(x i x) 2. -Ecart-type : σ x.

93 4.Description d une série statistique 4.2. La dispersion en termes d écarts Les écarts ne traduiront la dispersion que si l on considère leurs valeurs absolues ou leurs puissances paires. Les écarts absolus : -L écart absolu par rapport à la médiane e M = 1 k n i=1 n i x i M, M est la médiane de la série. -L écart absolu par rapport à la moyenne arithmétique e x = 1 k n i=1 n i x i x. Variance, écart-type: -Variance: V (x) = σ x 2 = 1 k n i=1 n i(x i x) 2. -Ecart-type : σ x.

94 4.Description d une série statistique 4.2. La dispersion en termes d écarts Les écarts ne traduiront la dispersion que si l on considère leurs valeurs absolues ou leurs puissances paires. Les écarts absolus : -L écart absolu par rapport à la médiane e M = 1 k n i=1 n i x i M, M est la médiane de la série. -L écart absolu par rapport à la moyenne arithmétique e x = 1 k n i=1 n i x i x. Variance, écart-type: -Variance: V (x) = σ x 2 = 1 k n i=1 n i(x i x) 2. -Ecart-type : σ x.

95 4.Description d une série statistique 4.2. La dispersion en termes d écarts Les écarts ne traduiront la dispersion que si l on considère leurs valeurs absolues ou leurs puissances paires. Les écarts absolus : -L écart absolu par rapport à la médiane e M = 1 k n i=1 n i x i M, M est la médiane de la série. -L écart absolu par rapport à la moyenne arithmétique e x = 1 k n i=1 n i x i x. Variance, écart-type: -Variance: V (x) = σ x 2 = 1 k n i=1 n i(x i x) 2. -Ecart-type : σ x.

96 4.Description d une série statistique Theorem pour tout a R, on a V (a + x) = V (x), V (ax) = a 2 V (x), et V (x) = 1 n k i=1 n i x 2 i (x) 2.

97 4.Description d une série statistique Exemple 1. La distribution des salaires annuels dans une population contenant n = actifs, ( le nombre d individus N i touchant le salaire s i exprimé en euros) est distribuée comme suit: s i (en euro ) N i

98 4.Description d une série statistique Figure: Distribution des salaires

99 4.Description d une série statistique Le salaire moyen est donné par s = 1 9 N i s i = euros, n i=1 la variance et l écart-type sont donnés par: V (s) = 1 9 N i (s i s) 2 = , σ s = , n i=1 le premier, deuxième et troisième quartiles sont Q 1 = , Q 2 = et Q 3 = Remarque. Le salaire médian qui est égal à s m = Q 2 est différent du salaire moyen s.

100 4.Description d une série statistique Exemple 2. Dans une classe constituée de deux groupes G1 et G2, la note obtenue dans l examen de statistique est distribuée comme suit: Groupe Groupe

101 4.Description d une série statistique

102 4.Description d une série statistique

103 4.Description d une série statistique La moyenne de la classe est égale à x = 9. La moyenne du groupe 1 est égale à x G1 = 9, et la moyenne du groupe 2 est aussi égale à x G2 = 9. Cependant les deux groupes, même s ils ont la même moyenne, sont complètement différents. En effet dans le groupe 1, la plupart des notes tournent autour de la moyenne globale 9, les étudiants ont presque le même niveau. Le groupe 2 est plus hétérogène, il y a des étudiants faibles (notes:1,2 et 4) et des étudiants forts (notes: 12,16 et 17). Si on calcule la variance de chaque groupe on trouve V G1 = , V G2 = V G2 > V G1, en conclusion plus la variance est grande plus l échantillon est hétérogène.

104 4.Description d une série statistique 5. Moments Definition Le moment d ordre r de la variable x par rapport à l origine x 0 est défini par m r (x 0 ) = 1 n k n i (x i x 0 ) r. i=1 Si x 0 = 0 les moments sont dits simples et notés m r. Si x 0 = x les moments sont dits centrés et notés µ r. Theorem µ 2 = m 2 m 2 1, µ 3 = m 3 3m 1 m 2 + 3m 3 1, µ 4 = m 3 4m 1 m 3 + 6m 3 1m 2 3m 4 1.

105 4.Description d une série statistique 5. Moments Definition Le moment d ordre r de la variable x par rapport à l origine x 0 est défini par m r (x 0 ) = 1 n k n i (x i x 0 ) r. i=1 Si x 0 = 0 les moments sont dits simples et notés m r. Si x 0 = x les moments sont dits centrés et notés µ r. Theorem µ 2 = m 2 m 2 1, µ 3 = m 3 3m 1 m 2 + 3m 3 1, µ 4 = m 3 4m 1 m 3 + 6m 3 1m 2 3m 4 1.

106 5.Liaisons entre variables statistiques Definition Une série double à deux indices est définie par l observation de n couples de valeurs tels que: Cas discret: x prends les valeurs x 1,..., x p et y prends les valeurs y 1,..., y r, et à chaque couple de valeurs (x i, y j ) 1 i p;1 j r on associe: Son effectif n i,j qui est le nombre de fois où (x, y) = (x i, y j ). Sa fréquence f i,j = n i,j n. Cas continu : Les valeurs observées pour x et pour y sont regroupées respectivement en p et r classes [a 0, a 1 [,[a 1, a 2 [,...,[a p 1, a p ], resp. [b 0, b 1 [, [b 1, b 2 [,..., [b r 1, b r ], et n i,j est le nombre d observations pour lesquelles a i 1 x a i, et b j 1 y b j.

107 5.Liaisons entre variables statistiques Exemple : sur 200 personnes de même âge et de même sexe on en dénombre 25 dont la taille y est comprise entre 165 et 167 cm et le poids x entre 60 et 65 kg ; 30 dont la taille entre 167 et 169 et le poids entre 60 et 65 kg ; le reste est tel que 55 x 60 et 160 y 165.On peut représenter les données par le tableau y(taille) Totaux partiels x(poids) Totaux partiels

108 5.Liaisons entre variables statistiques Présentation sous forme d un tableau à double entrée(ou matrice): x y y 1... y j... y r Totaux partiels x 1 n 1,1... n 1,j... n 1,r n 1, x i n i,1... n i,j... n i,r n i, x p n p,1... n p,j... n p,r n p, Totaux partiels n,1... n,j... n,r n n i, = r n i,j, n,j = j=1 p n i,j, n = i=1 p r i=1 j=1 n i,j

109 5.Liaisons entre variables statistiques 6.La distribution marginale Definition La distribution marginale de x se lit sur la dernière colonne du tableau; elle concerne les effectifs de x considérés isolément: le nombre d observations pour lesquelles x = x i (resp. x appartient à la classe [a i 1, a i [) est n i, = r n i,j. j=1 De même, les effectifs de la distribution marginale de y se lisent dans la dernière ligne du tableau.

110 5.Liaisons entre variables statistiques On définit: - Les moyennes marginales x et y : x = 1 n p n i, x i et y = 1 n i=1 r n,j y j. j=1 - Les variances marginales σ 2 x = 1 n p n i, (x i x) 2 et σy 2 = 1 n i=1 r n,j (y j y) 2. j=1

111 5.Liaisons entre variables statistiques On définit: - Les moyennes marginales x et y : x = 1 n p n i, x i et y = 1 n i=1 r n,j y j. j=1 - Les variances marginales σ 2 x = 1 n p n i, (x i x) 2 et σy 2 = 1 n i=1 r n,j (y j y) 2. j=1

112 5.Liaisons entre variables statistiques 7.La distribution conditionnelle A chaque valeur fixée x i correspond la distribution conditionnelle de y sachant x = x i d effectifs n i,1,..., n i,r. On définit: - La moyenne conditionnelle de y sachant x = x i : y i = 1 n i, r n i,j y j. j=1 - La variance conditionnelle de y sachant x = x i : σ 2 x i (y) = 1 n i, r n i,j (y j y i ) 2. j=1

113 5.Liaisons entre variables statistiques 7.La distribution conditionnelle A chaque valeur fixée x i correspond la distribution conditionnelle de y sachant x = x i d effectifs n i,1,..., n i,r. On définit: - La moyenne conditionnelle de y sachant x = x i : y i = 1 n i, r n i,j y j. j=1 - La variance conditionnelle de y sachant x = x i : σ 2 x i (y) = 1 n i, r n i,j (y j y i ) 2. j=1

114 5.Liaisons entre variables statistiques De même on définit : - la moyenne conditionnelle de x sachant y = y j : x j = 1 n,j p n i,j x i. i=1 - la variance conditionnelle de x sachant y = y j : σ 2 y j (x) = 1 n,j p n i,j (x i x j ) 2. i=1

115 5.Liaisons entre variables statistiques De même on définit : - la moyenne conditionnelle de x sachant y = y j : x j = 1 n,j p n i,j x i. i=1 - la variance conditionnelle de x sachant y = y j : σ 2 y j (x) = 1 n,j p n i,j (x i x j ) 2. i=1

116 6.L ajustement, régression simple 6.1 Coefficient de corrélation linéaire Definition C est un nombre sans dimension destiné à mesurer l intensité de liaison entre les variations de x et celles de y. Il a pour expression cov(x, y) r = r(x, y) =, σ x σ y où cov(x, y) = 1 n p r n i,j (x i x)(y j y). i=1 j=1

117 6.L ajustement, régression simple Liaison faibe Liaison forte

118 6.L ajustement, régression simple r=

119 6.L ajustement, régression simple r=

120 6.L ajustement, régression simple r=

121 6.L ajustement, régression simple 6.2 L ajustement Definition Etant donné un ensemble de points de coordonnées (x i, y i ), 1 i n formant un nuage dans le plan XOY, l ajustement consiste à choisir une courbe continue qui résume le nuage. Cette courbe a pour but d expliquer comment y varie en fonction de x. Ajustement par la méthode des moindres carrés Le type d ajustement étant préalablement choisi, la courbe d ajustement de y en x, d équation y = f (x), est dite des moindres carrés si f est telle que n i=1 d i 2 soit minimale où d i = y i f (x i )

122 6.L ajustement, régression simple l ajustement linéaire: droite des moindres carrés Lorsque le nuage est rectiligne on choisit f (x) = ax + b. La droite des moindres carrés est donnée par y = âx + b, où â = cov(x, y), σ b = y âx, x 2 σ 2 x = 1 n cov(x, y) = 1 n n (x i x)(y i y), i=1 n (x i x) 2, x = 1 n i=1 n x i, y = 1 n i=1 n y i. i=1

123 6.L ajustement, régression simple Qualité d ajustement Pour juger de la bonne qualité de l ajustement on définit R 2 = σ2 y SSR/n n, SSR = e 2 σy 2 i, i=1 SSR est la somme des carrés des résidus, avec e i = y i ( b + âx i ) le résidu qui correspond à l observation y i. R 2 est un réel toujours inférieur à 1. Si R 2 est proche de 1 alors l ajustement est de bonne qualité. Si R 2 est proche de 0 alors l ajustement est de mauvaise qualité.

124 6.L ajustement, régression simple Exemple On reprend la distribution des salaires,

125 6.L ajustement, régression simple Le graphique nous suggère que le nombre d individus décroît lorsque le salaire croit, le rythme de décroissance est exponentiel. On peut donc déduire que le coefficient de corrélation linéaire est négatif; en effet on trouve r = Pour expliquer N en fonction de s, nous allons faire une transformation logarithmique. En effet en posant y = ln(n) et x = ln(s),

126 6.L ajustement, régression simple Le graphique montre qu il y a une relation linéaire en y et x.

127 6.L ajustement, régression simple Le coefficient de corrélation linéaire est r = Un ajustement linéaire de y en x est bien justifié. On trouve b = et â = La droite des moindres carrés est donnée par y = 2.305x

128 6.L ajustement, régression simple La somme des carrés des résidus SSR = est très faible. Le coefficient R 2 = est proche de 1, on peut donc affirmer que l ajustement est de bonne qualité. En résumé, on peut donc supposer que le nombre d individus N est lié au salaire s par la relation N(s) = e ln(s) = (10 16 )s Exemple 2. En l absence de mortalité, on souhaite décrire l évolution dans le temps de la croissance d une population de bactéries. Des numérations faites tous les jours à partir du 2 e donne les résultats suivants:

129 6.L ajustement, régression simple t i (jours) N i (bactéries) t i (jours) N i (bactéries)

130 6.L ajustement, régression simple Le nombre de bactéries croit de manière rapide (exponentielle). On peut donc déduire que le coefficient de corrélation linéaire entre le nombre de bactéries N et la variable temps t est positif; en effet on trouve r = Pour expliquer N en fonction de t, nous allons faire une transformation logarithmique seulement de la variable N (car c est la variable qui a des valeurs très grandes). En effet en posant y = ln(n), x = t (jours) on obtient

131 6.L ajustement, régression simple Le coefficient de corrélation linéaire est r = Un ajustement linéaire de y en x est bien justifié.

132 6.L ajustement, régression simple On trouve b = et â = La droite des moindres carrés est donnée par y = 0.494x

133 6.L ajustement, régression simple La somme des carrés des résidus SSR = est très faible. Le coefficient R 2 = est très proche de 1, on peut donc affirmer que l ajustement est de très bonne qualité. En résumé, on déduit que l évolution du nombre de bactéries en fonction des jours suit l équation N(t) = e 0.494t = e 0.494t.

134 7.Estimation statistique L estimation a pour but de chercher, à travers l examen d un échantillon, une information quantitative à propos d un paramètre. Definition L estimation est dite ponctuelle lorsque l on se propose de substituer à la valeur θ un nombre unique ˆθ construit à partir d un échantillonnage. Exemple: x = 1 n n i=1 x i est un estimateur ponctuel de la moyenne m.

135 7.Estimation statistique Definition L estimation est dite par intervalle de confiance lorsque l on se propose de construire à partir de l échantillon un intervalle [a, b] qui peut contenir θ avec une probabilité 1 α P(a θ b) = 1 α, α fixé à l avance. On dit alors que [a, b] est un intervalle de confiance au niveau α pour θ.

136 7.Estimation statistique 7.1 Estimation ponctuelle des paramètres Estimateur d une proportion Soit une population de taille N constituée de deux catégories A (atteints d une maladie M) et B (non atteints de la maladie M) d individus dans des proportions p et q respectivement, avec p et q sont inconnues. Comme p + q = 1 il n y a qu un seul paramètre pour caractériser la structure de cette population. On identifie par exemple p. Pour cela on prélève dans la population un échantillon aléatoire de taille n; si n 1 est le nombre d individu présentant le caractère A. f = n 1 n est la proportion du caractère A dans l échantillon (ou effectif relatif).

137 7.Estimation statistique L entier n 1 est l observation d une variable aléatoire X et f est l observation de la variable aléatoire Y = X.On suppose n l échantillon non exhaustive (tirage avec remise), donc X suit une loi binomiale B(n, p). Donc E(Y ) = p p(1 p) σ(y ) =. n C est à dire que la variable aléatoire fluctue autour de p avec un écart type qui tend vers 0 lorsque n tend vers l infini.

138 7.Estimation statistique Dans ce cas on dit que Y est un estimateur consistant de p et que l observation f de Y est une estimation consistante de p et on écrit p = f = n 1 n. Remarque. Si l échantillon est exhaustive (tirage sans remise) on montre que E(Y ) = p σ(y ) = N n N 1 p(1 p). n

139 7.Estimation statistique 7.2 Estimation par intervalle de confiance Soit ˆθ un estimateur de θ, la construction d un intervalle de confiance est basée sur un pivot pv = f (ˆθ), dont la loi ne dépend pas de θ. 1.Intervalle de confiance d une proportion On suppose que n 100 et que p n est pas proche de 0 ni de 1 (0.1 p 0.9). Dans ce cas X est assimilée à une variable de Gauss, il en est de même pour Y.

140 Les deux variables Z = Y p p(1 p) n. et T = Y p f (1 f ) n. sont assimilées à une loi centré réduite de Gauss N(0,1). On fixe α (0.01 ou 0.05 ) et on lit dans la table de Gauss u 1 α/2 tel que P( N(0, 1) u 1 α/2 ) = 1 α, c est dire que P( T u 1 α/2 ) = 1 α ou encore P ( Y u 1 α/2 f (1 f ) n ) f (1 f ) p Y + u 1 α/2 = 1 α n

141 7.Estimation statistique Par conséquent l intervalle de confiance de p au niveau de signification α est donné par [ ] f (1 f ) f (1 f ) I p = f u 1 α/2, f + u 1 α/2. n n 2.Intervalle de confiance pour la moyenne d une population gaussienne On suppose que X i N(m, σ 2 ), 1 i n. σ connu Le pivot est donné par pv = n X m σ, avec X = 1 n n i=1 X i.

142 7.Estimation statistique X = 1 n n i=1 X i N(m, σ 2 /n), donc pv N(0, 1). On lit alors dans la table de Gauss le quantile u 1 α 2 P(N(0, 1) [ u 1 α, u 1 α ]) = 1 α donc 2 2 P(pv [ u 1 α 2, u 1 α 2 P(m [X u 1 α 2 ]) = 1 α, par conséquent σ n, X + u 1 α 2 σ n ]) = 1 α. tel que Donc l intervalle de confiance au niveau α pour m est donné par I α = [ x u 1 α 2 σ n, x + u 1 α 2 ] σ. (22) n

143 7.Estimation statistique σ inconnu L intervalle ci-dessus est inutilisable car il dépend de σ, donc il faut estimer ce dernier, le pivot est donné par pv = n X m S, où S 2 = 1 n 1 n 1 (X i X ) 2, qui est un estimateur empirique et sans biais de la variance σ 2. On a (n 1)S2 X 2 (n 1), et donc pv t(n 1), loi de σ 2 Student à (n-1) degrés de liberté. On lit alors dans la table de Student t 1 α 2 tel que P(t(n 1) [ t 1 α, t 1 α ]) = 1 α; 2 2 l intervalle de confiance au niveau α pour m est alors donné par I α = [ x t 1 α 2 s n, x + t 1 α 2 ] s. (23) n

144 7.Estimation statistique 3.Intervalle de confiance pour la variance d une population gaussienne On a le pivot pv = (n 1)S2 X 2 (n 1), loi de Khi-deux à σ 2 (n-1) degrés de liberté. On lit alors dans la table de Khi-deux x a et x b tels que P(x a X 2 (n 1) x b ) = 1 α. L intervalle de confiance au niveau α pour σ 2 I v = [ (n 1)s 2 x b, ] (n 1)s2. x a est donné par

145 8.Tests d hypothèses Definition Les tests d hypothèses servent à valider une caractéristique d une population à travers l examen d un échantillon, ils sont aussi utilisés pour comparer des caractéristiques entre plusieurs populations. 8.1 Test de conformité 1. Test de conformité d une proportion: Il s agit de comparer une proportion théorique p 0 à une proportion observée. On effectue le test suivant H 0 : p 0 est la proportion des individus de la population de la catégorie A contre H 1 : non H 0

146 8.Tests d hypothèses ou encore H 0 : p = p 0 contre H 1 : p p 0 On prélève un échantillon aléatoire non exhaustive de taille n dans lequel la proportion des individus de la catégorie A est f = n 1 n. Sous H 0 : Y p 0 p0 (1 p 0 ) n. N(0, 1). On fixe α (0.01 ou 0.05 ) et on lit dans la table de Gauss u 1 α/2 tel que

147 8.Tests d hypothèses P( N(0, 1) > u 1 α/2 ) = α. l intervalle critique au seuil α est donné par I c =], p 0 u 1 α/2 p0 (1 p 0 ) n Décision : si f I c on rejette H 0. ] p0 (1 p 0 ) [p 0 +u 1 α/2, + [ n

148 8.Tests d hypothèses 2. Test de conformité d une moyenne On attribue la valeur m 0 pour moyenne du caractère dans une population et on veut juger le bien fondé de cette hypothèse en se basant sur un échantillon. On effectue alors le test d hypothèse: H 0 : m = m 0 contre H 1 : m m 0 où m est la moyenne théorique. On considère alors n X m 0 qui suit, sous H S 0, une loi de Student à (n-1) degrés de liberté.

149 8.Tests d hypothèses Soit le quantile t 1 α 2 tel que P(t(n 1) [ t 1 α, t 1 α 2 2 Si n X m 0 S t 1 α 2 de signification α. ]) = 1 α. 3. Test de conformité d une variance alors on ne peut pas refuser H 0 au seuil C est la comparaison d une variance théorique et d une variance observée: on attribue la valeur σ 2 0 pour variance du caractère dans une population et on veut juger le bien fondé de cette hypothèse en se basant sur un échantillon. On effectue alors le test d hypothèse:

150 8.Tests d hypothèses H 0 : la variance du caractère dans la population est σ 2 0 contre H 1 : non H 0. Sous H 0, (n 1)S2 σ 2 0 X 2 (n 1) donc si H 0. (n 1)S 2 σ 2 0 [x a, x b ] alors on ne peut pas refuser l hypothèse

151 8.Tests d hypothèses 8.2 Tests d homogénéité 1. Comparaison de deux proportions: Il s agit de comparer deux proportions observées. Soit deux échantillons aléatoire E 1 et E 2 extraits des deux populations P 1 et P 2 constituées des individus des deux seules catégories A et B. Soit f 1 = k 1 n 1 et f 2 = k 2 n 2 les proportions des individus de la catégorie A dans E 1 et E 2 respectivement. En général f 1 f 2 ; il s agit d expliquer cette différence.

152 8.Tests d hypothèses On effectue le test d hypothèse suivant: H 0 : Dans P 1 et P 2 il y a la même proportion p 0 (inconnue) d individus de la catégorie A contre H 1 : non H 0 On considère D = Y 1 Y 2, avec f i est l observation de la variable aléatoire Y i. Y p Sous H 0 0 p0 D N(0, σ (1 p 0 ) D 2 ) où. n ( 1 σd 2 = p 0 (1 p 0 ) + 1 ). (24) n 1 n 2

153 8.Tests d hypothèses Mais p 0 est inconnue et on peut l estimer par k 1 + k 2 n 1 + n 2 = n 1f 1 + n 2 f 2 n 1 + n 2, ainsi σd 2 est estimée par σ D 2 = n 1f 1 + n 2 f 2 (1 n ( 1f 1 + n 2 f 2 1 ) + 1 ) n 1 + n 2 n 1 + n 2 n 1 n 2 = (n 1f 1 + n 2 f 2 ) (n 1 (1 f 1 ) + n 2 (1 f 2 )). (n 1 + n 2 )n 1 n 2 On fixe α (0.01 ou 0.05) et on lit dans la table de Gauss u 1 α/2 tel que P( N(0, 1) > u 1 α/2 ) = α; Décision :Si D σ D = f 1 f 2 σ D u 1 α/2 on rejette H 0.